DifficileChoix unique

Question d'entraînement SCS-C02

Une entreprise a pour exigence de détecter et de répondre aux menaces en quasi-temps réel en analysant les VPC Flow Logs. Les logs sont générés dans un VPC et envoyés vers CloudWatch Logs. Quelle est la manière LA PLUS efficace d'analyser ces logs pour y détecter des modèles suspects et déclencher des réponses automatisées ?

Choisissez la meilleure réponse.

Bonne réponse

  • DUtiliser Amazon Kinesis Data Analytics pour l'analyse en temps réel et AWS Lambda pour la réponse automatisée

Explication

Amazon Kinesis Data Analytics peut traiter les VPC Flow Logs en streaming provenant de CloudWatch Logs en quasi-temps réel à l'aide de SQL ou d'Apache Flink, permettant la détection immédiate de modèles suspects. AWS Lambda peut ensuite être déclenché pour automatiser les actions de réponse aux incidents, telles que la mise à jour des groupes de sécurité ou l'isolement d'instances, faisant de cette solution la plus efficace pour la détection et la réponse aux menaces en quasi-temps réel.

Pourquoi chaque option est juste ou fausse

A

Fausse

Diffuser les logs en streaming vers Amazon Elasticsearch Service et utiliser les alertes Kibana

La diffusion des logs en streaming vers Amazon Elasticsearch Service (Amazon OpenSearch Service) et le fait de s'appuyer sur les alertes Kibana ne conviennent pas à une véritable détection des menaces en temps réel car l'ingestion est orientée par lots — par exemple, l'utilisation de Kinesis Firehose introduit une fenêtre de mise en cache (par défaut 1 à 5 minutes) et OpenSearch dispose d'un intervalle de rafraîchissement d'indexation qui retarde la visibilité des documents. De plus, les alertes Kibana exécutent des requêtes planifiées sur des données déjà indexées, ce qui ajoute une latence supplémentaire. Cela signifie que le temps de détection a plusieurs minutes de retard par rapport à la menace réelle, ce qui ne répond pas à une exigence de réponse en temps réel.

B

Fausse

Utiliser les notifications d'événements S3 pour déclencher des fonctions Lambda sur les nouveaux fichiers de logs

L'utilisation des notifications d'événements S3 pour déclencher des fonctions Lambda sur de nouveaux fichiers de logs suppose que les logs sont déjà livrés à S3, mais la plupart des services de journalisation (CloudTrail, VPC Flow Logs, ELB logs) ne livrent les fichiers qu'après un intervalle de fréquence — généralement de 5 minutes à plusieurs heures — de sorte que l'activité n'est pas capturée au moment où elle se produit. Même lorsqu'un événement se déclenche, le fichier complet doit d'abord être écrit, et l'invocation de Lambda ajoute un surcoût de démarrage à froid (parfois 1 à 3 secondes), ce qui rend la latence de détection de bout en bout beaucoup trop élevée pour une réponse aux menaces en temps réel. Cette approche convient mieux aux tâches asynchrones de post-traitement, et non à une détection immédiate.

C

Fausse

Exporter les logs vers S3 et utiliser des requêtes Amazon Athena avec des règles planifiées

L'exportation des logs vers S3 et l'utilisation d'Athena avec des règles planifiées constituent fondamentalement un modèle d'analyse par lots — les requêtes Athena s'exécutent sur des objets dans S3 et entraînent un surcoût pour la découverte d'objets, la lecture de fichiers et l'analyse de données ; chaque requête prend généralement de quelques secondes à quelques minutes, en particulier sur de grands ensembles de données de logs. Les règles planifiées (par exemple, via EventBridge Scheduler) s'exécutent sur un intervalle fixe de type cron, ce qui signifie que les menaces peuvent passer inaperçues jusqu'à la prochaine planification, et il n'y a pas de déclencheur piloté par les événements pour initier une action immédiate. Étant donné qu'Athena est basé sur l'extraction et non sur le streaming, il ne peut pas détecter les anomalies au moment où elles se produisent, ce qui le rend inadapté à une détection et une réponse en moins d'une minute.

D

Juste

Utiliser Amazon Kinesis Data Analytics pour l'analyse en temps réel et AWS Lambda pour la réponse automatisée

Amazon Kinesis Data Analytics traite en continu les logs en streaming à l'aide de SQL ou d'Apache Flink, permettant la correspondance de modèles, la détection d'anomalies et l'agrégation sur des fenêtres glissantes en quasi-temps réel — la latence peut être inférieure à quelques secondes. Il peut envoyer ses résultats à une fonction Lambda (via une destination Kinesis Data Analytics ou un flux Kinesis Data Stream intermédiaire) qui exécute ensuite une réponse automatisée (par exemple, la mise à jour des groupes de sécurité, l'invocation d'AWS WAF ou l'envoi d'alertes). Cette architecture de traitement en streaming répond directement à l'exigence « détecter et répondre » avec un délai minimal, contrairement aux alternatives basées sur les lots.

Pour aller plus loin

Cette question teste la capacité du candidat à distinguer entre l'analyse en streaming en temps réel et le traitement par lots ou en quasi-temps réel sur AWS. L'exigence clé est de « détecter et répondre » rapidement, ce qui implique un pipeline à faible latence. Des services tels qu'Amazon S3, Athena et OpenSearch sont conçus pour le stockage, l'analyse et la recherche sur des données déjà persistantes, avec des retards inhérents liés à la livraison des fichiers, à l'indexation et à la planification des requêtes. En revanche, Amazon Kinesis Data Streams ingère les données de journalisation avec une latence inférieure à la seconde et Kinesis Data Analytics effectue un traitement continu, vous permettant de définir des requêtes qui analysent les données au fur et à mesure qu'elles circulent. Un point subtil mais important est que tous les logs ne sont pas diffusés nativement vers Kinesis ; par exemple, les logs CloudTrail peuvent être livrés à CloudWatch Logs qui peut ensuite les diffuser vers Kinesis Data Streams via un filtre d'abonnement, ou vous pouvez utiliser la fonctionnalité directe de CloudTrail vers Kinesis Logs. L'architecture idéale combine souvent Kinesis Data Analytics (ou une fonction Lambda sur un Kinesis Data Stream) pour la détection et Lambda pour la remédiation automatisée, garantissant que la réponse est déclenchée immédiatement lorsqu'une menace est identifiée. Une idée fausse très répandue est que les notifications d'événements S3 sont en temps réel, mais elles sont intrinsèquement basées sur des événements après qu'un objet a été écrit, ce qui reste orienté par lots en raison des calendriers de livraison des logs. Comprendre les caractéristiques de latence de chaque service AWS est crucial pour concevoir un pipeline de détection des menaces approprié.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement SCS-C02 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.